TÓM TẮT

Nội dung của khóa luận là tìm hiểu mô hình CRF, và ứng dụng của mô hình này trong trích chọn thông tin trong tiếng Việt. Trước hết khóa luận trình bày những khái niệm chung về trích chọn thông thông tin. Đồng thời nêu đến hai hướng tiếp cận để xây dựng một hệ thống trích chọn thông tin cũng như ưu nhược điểm của từng hướng tiếp cận, Đồng thời cũng nêu ra được ứng dụng của trích chọn thông tin trong tiếng Việt như thế nào. Cụ thể ở đây là bài toán trích chọn thông tin nhà đất.

Để ứng dụng trích chọn trong tiếng Việt luận văn đã nêu ra được ba mô hình học máy trong đó tập trung chủ yếu vào mô hình Conditional Random Field –CRF. Bất kỳ mô hình nào cũng có ưu nhược điểm trong luận văn này trình bày hai vấn đề lớn của mô hình CRF đó là vấn đề gán nhãn và ước lượng tham số. Đồng thời cũng trình bày về công cụ hữu ích CRF++.

Luận văn cũng trình bày được việc ứng dụng mô hình CRF làm nền tảng lý thuyết và cơ sở thực hành là công cụ CRF vào bài toán trích chọn thông tin nhà đất. Một bài toán nhỏ trong bài toán xử lý ngôn ngữ tự nhiên.

MỤC LỤC

LỜI CẢM ƠN iii

TÓM TẮT iv

MỤC LỤC v

DANH MỤC CÁC HÌNH VẼ vii

BẢNG CÁC KÍ HIỆU VIẾT TẮT viii

LỜI MỞ ĐẦU 1

Chương 1.TỔNG QUAN 3

1.1. TRÍCH CHỌN THÔNG TIN 3

1.2. CÁC CÁCH TIẾP CẬN TRÍCH CHỌN THÔNG TIN 5

1.2.1. Hướng tiếp cận dựa trên tri thức 5

1.2.2. Hướng tiếp cận xây dựng các mô hình học máy 5

1.3. KIẾN TRÚC HỆ THỐNG IE 7

1.4. BÀI TOÁN TRÍCH CHỌN THÔNG TIN NHÀ ĐẤT 8

1.5. Ý NGHĨA CỦA BÀI TOÁN TRÍCH CHỌN THÔNG TIN NHÀ ĐẤT 9

1.6. TỔNG KẾT CHƯƠNG 10

Chương 2. CONDITIONAL RANDOM FIELDS 11

2.1. MÔ HÌNH MARKOV ẨN- HMM 11

2.2. MÔ HÌNH CỰC ĐẠI HÓA ENTROPY-MEMM 13

2.3. MÔ HÌNH CONDITIONAL RANDOM FIELDS 15

2.3.1.Việc gán nhãn cho dữ liệu tuần tự 15

2.3.2. Định nghĩa CRF 16

2.3.3. Nguyên lý cực đại hóa Entropy 18

2.3.3.1. Độ đo Entropy điều kiện 18

2.3.3.2. Các ràng buộc đối với phân phối mô hình 19

2.3.3.3. Nguyên lý cực đại hóa Entropy 20

2.3.4. Hàm tiềm năng của các mô hình CRF 20

2.3.5. Conditional Random Fields 21

2.3.6. So sánh với các mô hình khác 22

2.4. TỔNG KẾT CHƯƠNG 23

Chương 3. THUẬT TOÁN GÁN NHÃN VÀ ƯỚC LƯỢNG THAM SỐ CỦA MÔ HÌNH CRF VÀ CÔNG CỤ CRF ++ 24

3.1. THUẬT TOÁN GÁN NHÃN CHO DỮ LIỆU DẠNG CHUỖI 24

3.2. XÁC SUẤT CRF ĐƯỢC TÍNH NHƯ MỘT MA TRẬN 25

3.3. ƯỚC LƯỢNG THAM SỐ CHO MÔ HÌNH CRF 26

3.3.1. Thuật toán S 28

3.3.2. Thuật toán T 29

3.4. CÔNG CỤ CRF++ TOOLKIT 30

3.4.1. Giới thiệu 30

3.4.2. Tính năng 31

3.4.3. Cài đặt và cách sử dụng 31

3.4.3.1 Cài đặt 31

3.4.3.2. File định dạng huấn luyện và test 31

3.4.3.3. Template type 32

3.4.4. Huấn luyện và kiểm tra 34

3.5. TỔNG KẾT CHƯƠNG 36

Chương 4. ỨNG DỤNG CRF VÀO BÀI TOÁN TRÍCH CHỌN THÔNG TIN NHÀ ĐẤT 37

4.1. MÔ HÌNH HÓA BÀI TOÁN TRÍCH CHỌN THÔNG TIN NHÀ ĐẤT 37

4.1.1. Xử lý dữ liệu đầu vào 38

4.2. MÔI TRƯỜNG THỰC NGHIỆM 39

4.2.1. Phần cứng 39

4.2.2. Phần Mềm 39

4.2.3. Dữ liệu thực nghiệm 39

4.2.3.1. Lần thử nghiệm thứ nhất 40

4.2.3.2. Lần thử nghiệm thứ hai 40

4.2.3.3. Kết quả và đánh giá 42

4.3. HẠN CHẾ VÀ HƯỚNG ĐI CHO TƯƠNG LAI 44

4.4. TỔNG KẾT CHƯƠNG 45

KẾT LUẬN 46

TÀI LIỆU THAM KHẢO 47

LỜI MỞ ĐẦU

Trong thời đại bùng nổ công nghệ thông tin như hiện nay thì việc ứng dụng công nghệ thông tin trong các lĩnh vực của đời sống ngày càng đa dạng và phong phú. Toàn bộ các ứng dụng đều thực hiện trên các thông tin đầu vào từ dạng đơn giản đến phức tạp. Từ dạng văn bản dạng ký tự thông thường cho đến những thông tin đầu vào phức tạp như hình ảnh, âm thanh.

Việc ứng dụng công nghệ xử lý ngôn ngữ cũng hết sức phong phú. Có thể kể tới trong những năm gần đây có một số công nghệ rất nổi tiếng như : Hãng SAMSUNG đưa ra thị trường điện thoại di động P207 có thể nhận biết được các câu nói đơn giản ví dụ “tôi sẽ gọi lại” rồi chuyển chúng về dạng tin nhắn. Bên cạnh đó có rất nhiều những công nghệ dịch tự động trên web như Language Tool dịch nhiều thứ tiếng trong google. Có thể phân loại các bài toán như xử lý tiếng nói hay xử lý hình ảnh (speech and image processing), xử lý văn bản (text processing), khai phá văn bản hoặc web (text and web mining). Tất cả các bài toán đều được thực hiện bằng máy, tuy nhiên vấn đề đặt ra là làm thế là để máy có thể xử lý một cách tự động lại là một bài toán khó. Cái khó ở chỗ làm sao cho máy hiểu được ngôn ngữ đa dạng của con người.

Đối với tiếng Việt đã có một số các sản phẩm liên quan đến tiếng Việt như: Bộ gõ chữ tiếng Việt, chương trình nhận dạng chữ tiếng Việt như VnDOCR của viện Công Nghệ Thông Tin, các phần mềm như EVTRAN, gần đây tiêu biểu là kết quả của việc Việt hóa Windows và Office.

Là người đi sau trong lĩnh vực xử lí ngôn ngữ tự nhiên, việc hiểu các công nghệ ngôn ngữ là rất cần thiết. Trong luận văn này đề cập tới ứng dụng của CNTT trong việc trích chọn thông tin trong tiếng Việt. Có rất nhiều phương pháp, trong luận văn này giới thiệu mô hình Conditional Random Field là cơ sở lý thuyết để thực hiện công việc và công cụ CRF++ để thực hành trích chọn thông tin trong tiếng Việt và cụ thể là bài toán trích chọn thông tin nhà đất.

Trong khuôn khổ của khóa luận tốt nghiệp với đề tài “Tìm hiểu mô hình CRF và ứng dụng trong trích chọn thông tin trong tiếng Việt” em xin trình bày một công nghệ ứng dụng trong việc xử lý ngôn ngữ tiếng Việt. Nội dung khóa luận gồm 4 chương:

 Chương 1: Tổng quan: Giới thiệu tổng quan về trích chọn thông tin, và các cách tiếp cận để xây dựng hệ thống trích chọn thông tin những ứng dụng của trích chọn thông tin, và ứng dụng trong xử lý tiếng Việt, đồng thời cũng mô hình hóa và nêu được ý nghĩa của bài toán trích chọn thông tin nhà đất.

 Chương 2: Conditional Random Fields: Chương này giới thiệu một số mô hình học máy như HMM, MEMM và tập trung vào mô hình Conditional Random Field – CRF. Đưa ra được khái niệm trường ngẫu nhiên, trường ngẫu nhiên có điều kiện. Đồng thời cũng chỉ ra được rằng mô hình CRF hiệu quả hơn so với các mô hình học máy khác.

 Chương 3: Thuật toán gán nhãn và ước lượng tham số cho mô hình CRF và công cụ CRF++: Chương này đưa ra hai vấn đề cơ bản của mô hình CRF và hướng giải quyết hiệu quả nhất. Ở đây thuật toán gán nhãn sử dụng thuật toán Viterbi một thuật toán trong quy hoạch động. Và hai thuật toán T và thuật toán S giải quyết vấn đề ước lượng tham số cho mô hình CRF. Đồng thời cũng giới thiệu được công cụ CRF++ toolkit, một công cụ cài đặt mô hình CRF được sử dụng trong bài toán trích chọn thông tin nhà đất.

 Chương 4: Ứng dụng CRF vào bài toán trích chọn thông tin nhà đất: Chương này nói về việc ứng dụng của mô hình CRF đã nói ở các chương trước vào bài toán trích chọn thông tin nhà đất. Một hướng đi mới trong bài toán xử lý ngôn ngữ tự nhiên.